論文の概要: A Tale of Two Linkings: Dynamically Gating between Schema Linking and Structural Linking for Text-to-SQL Parsing

• arxiv url: http://arxiv.org/abs/2009.14809v2
• Date: Sun, 22 Nov 2020 20:48:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 23:37:17.083056
• Title: A Tale of Two Linkings: Dynamically Gating between Schema Linking and Structural Linking for Text-to-SQL Parsing
• Title（参考訳）: 2つのリンクの物語:テキスト-SQL構文解析のためのスキーマリンクと構造リンクの動的ゲーティング
• Authors: Sanxing Chen, Aidan San, Xiaodong Liu, Yangfeng Ji
• Abstract要約: Text-to- semantic parsingでは、生成したsqlクエリの正しいエンティティを選択することは重要かつ困難である。 この課題に対処するための2つのリンクプロセス: 明示的なNLの言及をデータベースにリンクするスキーマリンクと、出力sqlのエンティティとデータベーススキーマの構造的関係をリンクする構造的リンク。 提案手法を2つのグラフニューラルネットワークに基づくセマンティクスとBERT表現と統合することにより,課題となるスパイダーデータセットのパース精度が大幅に向上したことを示す。
• 参考スコア（独自算出の注目度）: 25.81069211061945
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In Text-to-SQL semantic parsing, selecting the correct entities (tables and columns) for the generated SQL query is both crucial and challenging; the parser is required to connect the natural language (NL) question and the SQL query to the structured knowledge in the database. We formulate two linking processes to address this challenge: schema linking which links explicit NL mentions to the database and structural linking which links the entities in the output SQL with their structural relationships in the database schema. Intuitively, the effectiveness of these two linking processes changes based on the entity being generated, thus we propose to dynamically choose between them using a gating mechanism. Integrating the proposed method with two graph neural network-based semantic parsers together with BERT representations demonstrates substantial gains in parsing accuracy on the challenging Spider dataset. Analyses show that our proposed method helps to enhance the structure of the model output when generating complicated SQL queries and offers more explainable predictions.
• Abstract（参考訳）: Text-to-SQLセマンティックパーシングでは、生成されたSQLクエリの正しいエンティティ(テーブルと列)を選択することは極めて重要で難しい。 この課題に対処するために、明示的なNLの言及をデータベースにリンクするスキーマリンクと、出力SQLのエンティティとデータベーススキーマの構造的関係をリンクする構造リンクという2つのリンクプロセスを定式化します。 直感的には,これら2つのリンクプロセスの有効性は生成するエンティティによって変化するため,ゲーティング機構を用いて,それらを動的に選択する手法を提案する。 提案手法を2つのグラフニューラルネットワークに基づくセマンティックパーサとBERT表現と統合することにより,課題となるスパイダーデータセットのパース精度が大幅に向上したことを示す。 解析の結果,提案手法は複雑なSQLクエリを生成する際にモデル出力の構造を向上し,より説明可能な予測を提供する。

関連論文リスト

• Schema-Aware Multi-Task Learning for Complex Text-to-SQL [4.913409359995421]
  複雑なsqlクエリのためのスキーマ対応マルチタスク学習フレームワーク(MT)を提案する。 具体的には、有効な質問スキーマリンクを識別するために、識別器モジュールを設計する。 デコーダ側では、テーブルと列の接続を記述するために、6種類の関係を定義します。
  論文  参考訳（メタデータ） (2024-03-09T01:13:37Z)
• SQL-PaLM: Improved Large Language Model Adaptation for Text-to-SQL (extended) [53.95151604061761]
  本稿では,大規模言語モデル(LLM)を用いたテキスト・ツー・フィルタリングのフレームワークを提案する。 数発のプロンプトで、実行ベースのエラー解析による一貫性復号化の有効性について検討する。 命令の微調整により、チューニングされたLLMの性能に影響を及ぼす重要なパラダイムの理解を深める。
  論文  参考訳（メタデータ） (2023-05-26T21:39:05Z)
• QURG: Question Rewriting Guided Context-Dependent Text-to-SQL Semantic Parsing [46.05006486399823]
  本稿では,モデルが適切な文脈理解を実現するのに役立つ新しい質問書き直し指導手法であるQURGを提案する。 まず、質問コンテキストに基づいて現在の質問を完了させるために質問書き換えモデルを訓練し、それらを書き換え編集行列に変換する。 さらに、2ストリームの行列エンコーダを設計し、質問とコンテキスト間の書き直し関係と、自然言語と構造化スキーマの関係をリンクするスキーマを共同でモデル化する。
  論文  参考訳（メタデータ） (2023-05-11T08:45:55Z)
• Improving Text-to-SQL Semantic Parsing with Fine-grained Query Understanding [84.04706075621013]
  トークンレベルのきめ細かいクエリ理解に基づく汎用的モジュール型ニューラルネットワーク解析フレームワークを提案する。 我々のフレームワークは、名前付きエンティティ認識(NER)、ニューラルエンティティリンカ(NEL)、ニューラルエンティティリンカ(NSP)の3つのモジュールから構成されている。
  論文  参考訳（メタデータ） (2022-09-28T21:00:30Z)
• Proton: Probing Schema Linking Information from Pre-trained Language Models for Text-to-SQL Parsing [66.55478402233399]
  本稿では,ポアンカー距離測定に基づく探索手法を用いて,関係構造を抽出する枠組みを提案する。 スキーマリンクの一般的なルールベース手法と比較して,探索関係は意味的対応をしっかりと捉えることができることがわかった。 我々のフレームワークは3つのベンチマークで最先端のパフォーマンスを新たに設定する。
  論文  参考訳（メタデータ） (2022-06-28T14:05:25Z)
• S$^2$SQL: Injecting Syntax to Question-Schema Interaction Graph Encoder for Text-to-SQL Parsers [66.78665327694625]
  テキスト-関係解析のための質問-エンコーダグラフに構文を注入するS$2$を提案する。 また、疎結合制約を用いて多様なエッジ埋め込みを誘導し、ネットワークの性能をさらに向上させる。 スパイダーとロバスト性設定の実験は、提案手法が事前学習モデルを使用する場合、既存のすべての手法より優れていることを示した。
  論文  参考訳（メタデータ） (2022-03-14T09:49:15Z)
• SADGA: Structure-Aware Dual Graph Aggregation Network for Text-to-SQL [29.328698264910596]
  Text-to-Graphの最も難しい問題の1つは、トレーニングされたモデルを見えないデータベーススキーマに一般化する方法である。 クロスドメインテキスト・トゥ・グラフのための構造対応デュアルグラフアグリゲーションネットワーク(SADGA)を提案する。 執筆時点では、挑戦的なText-to-GraphベンチマークのSpiderで3位を獲得しました。
  論文  参考訳（メタデータ） (2021-11-01T01:50:28Z)
• Bridging Textual and Tabular Data for Cross-Domain Text-to-SQL Semantic Parsing [110.97778888305506]
  BRIDGEは、フィールドのサブセットが質問に言及されたセル値で拡張されるタグ付きシーケンスの質問とDBスキーマを表します。 BRIDGEは、人気のクロスDBテキスト-リレーショナルベンチマークで最先端のパフォーマンスを達成しました。 本分析は,BRIDGEが望まれる相互依存を効果的に捕捉し,さらにテキストDB関連タスクに一般化する可能性を示唆している。
  論文  参考訳（メタデータ） (2020-12-23T12:33:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。